بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
بهینه سازی الگوی آتشباری معدن سنگ آهن چادرملو با استفاده از شبکه های عصبی
چکیده
یکی از اساسی ترین مراحل استخراج در معادن رویاز، عملیات چالزنی و آتشباریک است. براک انجام یک انفجار مناسب، در مرحله اول باید عوامل تاثیر گذار نظیر خصوصیات سنگ، پارامترها یک مربوط به ماده منفجره و مشخصات هندسی شبکه انفجار تعیین گردند. سپس الگو یک آتشباریک بهینه بر مبنایک این عوامل تعیین می شود. معمولا برایک طراحی الگوی حفاریک و آتشباری از رویش های تجربی استفاده می شود. با توجه به تعداد پارامترها یک موثر در عملیات آتشباریک و پیچیده بودن طراحتی الگویی انفجار، متدهایی نظیر شبکههایک عصبی مصنوعی، الگوریتم ژنتیک، رویش طبقهبندی حداکثر احتمال و ... را می توان بطور موثری مورد استفاده قرار داد. این روش ها علاوه بر دقت لازم در طراحی، از سرعت کافی و سوولت کاریرد نیز برخوردار هستند. در این پژوهش با توجه به مزایا یک ذکر شده براک رویش شبکه تعصبی مصنوعی، مدلی براک تعیین مناسب ترین الگوی آتشباریک هر معدن سنگ آهن چادرملو ارائه گردید. در این راستا ابتدا با استفاده از نرمر افزار SplitDesktop میزان خردایش حاصل از بلوک هایک انفجاریک به سسه لایه، لایه ورودیک با ۷ نرون، لایه پنهان با ۱۸ نرون و لایه خروج حتی با یک نرون به عنوان شبکه بهینه در نظر گرفته شد. در نهایت پس از انجام آنالیز حساسیت بر روک شبکه ساخته شده مشخص گردید که پارامترهقاتی شاخص قابلیت انفجارپذیرکیا، قطر چال و خرج ویژه به ترتیب بیشترین تأثیر را در فرایند خرد شدن سنگها دارند.
مقدمه:
یکی از مهمترین عوامل تاثیر گذار بر چرخه عملیات بارگیرک و باربرک، خردشدگی مطلوب سنگ است که با طراحی مناسب عملیات انفجارک حاصل می شود. سعولت انجام مراحل بعد یک معدنکارک نظیر بارگیرک، باربرک، سنگ شکنی و نیز کاهش چشمگیر هزینه هاک خردایش از نتایج انجام عملیات آتشبارک بهینه است [۱]. رویش متداول طراحی الگوک حفارک و آتشبارک استفاده از رویش هایک تجربی می باشد. با توجه به تعدد پارامترها یک موثر در عملیات آتشبارک و پیچیده بودن طراحي الگوی انفجار، رویکرد جدید، استفاده از متدهایی نظیر شبکههایک عصبی مصنوعی " (ANN)، الگوریتم ژنتیک" (GA)، روش طبقهبندی حداکثر احتمالا" (TOPSIS) ،(MLC و ... میباشد. این رویش ها علاوه بر دقت لازم در طراحی، از سرعت بالا و
سعولت کاربرد نیز برخوردار هستند [۲]. شبکه عصبیک مصنوعیکی از جمله روش هایک بهینه سازک است که بر مبناک سیستم عصبیک موجودات زنده ابداع شده است. این تکنیک کاربرد وسیعی در علم مهندسی معدن و به خصوص در طراحی الگوی حفاری و آتشباری تونل، شبیه سازی لرزش زمین ناشي از انفجار، تعیین خرج ویژه بهینه در معادن روباز، تجزیه و تحلیل داده های ژئوشیمیایی و... دارد [۲]. در مقاله حاضر میزان تاثیر هر یک از پارامترها یک مربوط به طراحی الگوک آتشبارک بر خردایش سنگ با استفاده از شبکه عصبی مصنوعی در معدن سنگ آهن چادرملو مشخص شده
شبکه عصبی مصنوعی :
ساختار کلیک شبکه هایک عصبی مصنوعی از شبکه بیولوژیک انسان الهام گرفته است. شبکه هایک عصبی مصنوعی با پردازش داده هایک تجربی، دانش یا قانون نفته رابطه بین داده ها ورودک و خروجتی را به ساختار شبکه منتقل می کند. یک شبکه عصبی شامل واحدهایک ساختمانی به نام سلول عصبی است و این قابلیت را دارد که با بکار بردن یک دسته داده ورودی بتواند یک دستا• دادہ خروحی دلخواہ را تولید نماید۔ سلول قاsی عصبی موجود در شبکه بسته به نوع عملکردشان در لایه هایک خاصی قرار می گیرند. هر شبکه عصبی حداقل دارا یک Uvu للايه ورود لاکا، میانی يا پنطان و خروجتی است ]f[. للايه USS99 محل S99 اطلاعات مورد نظر شبکه است. انتخاب نوع و تعداد ورودک هاک شبکه در کیفیت عملکرد شبکه تاثیر زیادیک دارد. لایه هایک پنوان نقش سازماندهف یک عملکرد یک شبکه عصبی را دارند. تعداد لایه هایک پنعان و سلول هایک عصبی موجود در این لایه ها نیز تاثیر بسزایی در عملکرد شبکه دارد. در حالت کلی تعداد سلول هاک عصبیک موجود در لایه پنهان به ساختار شبکه، تعداد ورودک ها، تعداد خروجی ها، تعداد دسته داده هایک آموزشی، میزان خطا یک داده ها، پیچیدگی توابع و الگوریتم آموزش بستگی دارد. لایه خروجی آخرین لایه هر شبکه است که نتیجه عملکرد شبکه عصبی و پارامترها یک مورد نظر را ارائه می دهقد [۳]. به منظور شبیه سازک خردایش، در این پژوهشی از شبکه های GRNN استفاده گردید که زیر مجموعه شبکه هفایی RBF یا Radial BasiS Function می باشند و اغلب برای تقریب توابع استفاده می شوند. این شبکه ها در ساختار خود از توابع پایه شعاعی استفاده می کنند و نیاز به اموزشی دادن توسط کاریر ندارند، بنابراین داراکی خطاکی اموزشی بسیار کمی می باشند. در حین اجرا کردن این شبکه ها، ابتدا وزن هاکی لایه دوم (لایه پایه شعاعی) و سپس وزن هایی لایه سومر (لایه خطی) توسط خود
شبکه تعیین می گردند. ساختار این شبکه ها در شکل ۱ نشان داده شده است.
این شبکه ها همیشه از سه للایه تشکیل شده اند که لایه اول ورودگی، للایه دومر لایه پایه شعاعي و لايه سومر للاية خطي ناهيدة هي شوند. تعداد نروتها در لايه أول برابر تعداد ورودكي ها، در لایه دوم برابر تعداد نمونه های ورودی و لایه سومر برابر تعداد خروجتایی ها می باشد. این نوع شبکه ها از دو تابع محرک گوسین و خطی در ساختار خود استفاده می کنند که این توابع به ترتیب در لایه دوم و سوم به کار می روند. نمودار این دو تابع در اشکال ۳ و ۳ نشان داده شده است.
شبکه هقایک عصبی به دلیل انعطاف و قابلیت یادگیریک بالا، به عنوان سیستم هایک یادگیر دارا یک توانایی هستند که از گذشته بیاموزند و رفتار خود را در حین یادگیریک بهبود بخشند [۵]. لذا می توان از این تکنیک به منظور طراحی الگوی حفاری و آتشباری متناسب با خصوصیاتتوده سنگ و تشخیص طرح بهینه کمک گرفت.
کانسار چادرملو در ۱۸۰ کیلو متری شمال شرقی شهرستان یزد واقع شده و بزرگترین کانسار آهن اکتشاف شده در ایران می باشد. این کانسار دارای شکلی غیر یکنواخت بوده که در آن سختی سنگ معدنی زیاد و ساختار زمین شناسی بسیار تکتونیزه می باشد و لذا عملیات آتشباری دراین معدن، بسیار مشکل و پیچیده است. همچنین وجود آب درچند سال اخیر بر مشکلات فوق افزوده و پیچیدگی کار بیشتر شده است. به منظور بهینه سازی الگوک آتشباری در این معدن ۲۲ بلوک انفجاری مورد مطالعه قرار گرفت و داده هایی نظیر طول بارسنگ، فاصله ردیفی چالوا، طول گل گذارک و ... مربوط به این بلوک ها ثبت گردید.
پارامترهای ورودگاه و خلق و حتی =تاثیر را بر خردایش سنگ داشتند، بعنوان پارامتر ورودک و ۱ پارامتر خروجی در نظر گرفته شد (جدول ۱).
پارامتر قابلیت انفجار پذیرکی سنگ برای هر بلوک انفجاری از طریق رابطه ilyلا به دست می آید
که در این رابطه:
BI : قابلیت انفجارپذیری سنگ
RMD : توصیف تودہ سنگ
RDI : انديسں چگالي سنگ
X : متوسط سایز بلوکو
اSی برجحا
(m) HF : فاکتور سختی سنگ که مقدار آن بین ۱ تا ۱۰ می باشد.
JF : فاکتور فاصله داری درزه ها که مقدار آن بین ۱۰ تا ۵۰ می باشد. ,J
F:: فاکتور جوت داری درزہ (فا کا باتوحاc باcشیب و اختلاف جوت داری درزہ با امتداد لباc
:զվ مقداریک لیبیر .0 Y. U Y دارد.
SG: چگالي سنگ (kg/tOn)
همچنین پارامتر متوسط سایز سنگهای خرد شده (خروجتمي)، توسط روش آنالیز تصویرگی (عکسبرداری) و به کمک نرمر افزار Split-Desktop برای تمامر بلوکا تعیین شد. در این نرم افزار ابتدا مرز دانaھاک خرد شدہ در تصاویر تھیاء شدہ از سطح بلوک انفجارک تعیین می گردد و بدین طریق می توان نمودار دانه بندی خردایش سنگ را بدست آورد [V]. روند کلی کار این نرم افزار در شکل ۴ آورده شده است. داده های این بلوکها پس از جمع آوری و دسته بندی، وارد شبکه عصبی گردید تا شبکه براساس آنها آموزش یابد.
به منظور تعیین ساختار شبکه بعینه، انواع شبکه ها با تعداد لایه هفا و نرونهاکی مختلف و نیز توابع یادگیری و محرک گوناگون مورد آزمایش قرار گرفت. از میان این شبکه ها، شبکه GRNN با V نرون ورودک، ۱۸ نرون در لایه میانی و ۱ نرون خروجتایی قادر به پیش بینی میزان خردایش پس از انفجار با بیشترین دقت می باشد به گونه اک که از لحاظ دقت، خروجی ها کمترین خطا را نسبت به داده های واقعی داشتند. ساختار گرافیکی این شبکه در شکل ۵ نمایش داده شده است. شکل ۶ بیانگر میزان خطاک حاصل از آموزش داده ها توسط این شبکه می باشد.
